Konwolucyjne sieci neuronowe

Dziś spróbujemy stworzyć i wytrenować prostą sieć konwolucyjną do rozpoznawania, co znajduje się na obrazie. Następnie omówimy kwestię identyfikowania obiektów na obrazie, oraz porozmawiamy o wykorzystaniu gotowej już sieci.

Problem klasyfikacji obrazów

Jak się za to zabrać? Naiwnym podejściem byłaby próba ręcznej specyfikacji pewnych cech (niemowlęta mają duże głowy, szczoteczki są długie, etc.). Szybko jednak stwierdziliśmy, że nawet dla niewielkiego zbioru kategorii jest to tytaniczna praca bez gwarancji sukcesu. Co więcej, istnieje wiele czynników zniekształcających zawartość naszych zdjęć. Obiekty mogą być przedstawiane z różnych ujęć, w różnych warunkach oświetleniowych, w różnej skali, częściowo niewidoczne, ukryte w tle...

obraz.png

Wszystkie wymienione problemy są skutkiem istnienia semantycznej przepaści między tym, jak reprezentowane są nasze dane wejściowe (tablica liczb), a tym, czego w nich szukamy, czyli kategorii i cech: zwierząt, nosów, głów, itp. Zamiast więc próbować samodzielnie napisać funkcję $f(x)$, spróbujemy skorzystać z dobrodziejstw uczenia maszynowego, aby automatycznie skonstruować reprezentację wejścia właściwą dla postawionego sobie zadania (a przynajmniej lepszą od pierwotnej). I tu z pomocą przychodzą nam konwolucyjne sieci neuronowe. Do tego trzeba zrozumieć, czym jest konwolucja (inaczej: splot), a do tego najlepiej nadają się ilustracje, jak to działa.

Konwolucja

Konwolucja (splot) to działanie określone dla dwóch funkcji, dające w wyniku inną, która może być postrzegana jako zmodyfikowana wersja oryginalnych funkcji.

Z naszego punktu widzenia polega to na tym, że mnożymy odpowiadające sobie elementy z dwóch macierzy: obrazu, oraz mniejszej, nazywanej filtrem (lub kernelem. Następnie sumujemy wynik i zapisujemy do macierzy wynikowej na odpowiedniej pozycji. Proces powtarza się aż do momentu przeskanowania całego obrazu. Taki filtr wykrywa, czy coś do niego pasuje w danym miejscu, i z tego wynika zdolność semantycznej generalizacji sieci - uczymy się cech, a wykrywamy je potem w dowolnym miejscu. Przydatne pojęcia

1 Zx-ZMLKab7VOCQTxdZ1OAw.gif

Stride

Krok algorytmu, albo przesunięcie.

1 BMngs93_rm2_BpJFH2mS0Q.gif

Padding

Dopełnienie krawędzi obrazu. więcej

1 1okwhewf5KCtIPaFib4XaA.gif

Pooling

Ma 2 warianty: max oraz avg. Pozwala on usunąć zbędne dane, np. jeżeli filtr wykrywa linie, to istnieje spora szansa, że linie te ciągną się przez sąsiednie piksele, więc nie ma powodu powielać tej informacji. Dzięki temu mamy pewną ilość inwariancji i jesteśmy odporni na niewielkie wahania pikseli, a skupiamy się na "bigger picture".

11.gif

Sposoby redukcji przeuczenia

  • warstwa dropout
  • regularyzacja wag
  • metoda wczesnego stopu (early stopping)
  • batch normalization
  • lub... więcej danych

Budowa sieci CNN do klasyfikacji obrazów

Sieć konwolucyjna składa się zawsze najpierw, zgodnie z nazwą, z części konwolucyjnej, której zadaniem jest wyodrębnienie przydatnych cech z obrazu za pomocą filtrów, warstw poolingowych etc.

W celu klasyfikacji obrazu musimy później użyć sieci MLP. Jako że wejściem do sieci MLP jest zawsze wektor, to musimy obraz przetworzony przez filtry konwolucyjne sprowadzić do takiego wektora, tzw. embedding, czyli reprezentacji obrazu jako punktu w pewnej ciągłej przestrzeni. Służą do tego warstwa spłaszczająca (flatten layer), zmieniająca macierze wielkowymiarowe na wektor, np $10 \times 10 \times 3$ na $300 \times 1$.

Część konwolucyjna nazywa się często backbone, a część MLP do klasyfikacji head. Głowa ma zwykle 1-2 warstwy w pełni połączone, z aktywacją softmax w ostatniej warstwie. Czasem jest nawet po prostu pojedynczą warstwą z softmaxem, bo w dużych sieciach konwolucyjnych ekstrakcja cech jest tak dobra, że taka prosta konstrukcja wystacza do klasyfikacji embeddingu.

In [4]:
import torch
import torchvision
import torchvision.transforms as transforms
In [ ]:
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print(device)
cpu
In [5]:
transform = transforms.Compose([transforms.ToTensor()])

batch_size = 32

trainset = torchvision.datasets.FashionMNIST(
    root="./data", train=True, download=True, transform=transform
)
trainloader = torch.utils.data.DataLoader(
    trainset, batch_size=batch_size, shuffle=True
)

testset = torchvision.datasets.FashionMNIST(
    root="./data", train=False, download=True, transform=transform
)
testloader = torch.utils.data.DataLoader(
    testset, batch_size=batch_size, shuffle=True
)

classes = (
    "top",
    "Trouser",
    "Pullover",
    "Dress",
    "Coat",
    "Sandal",
    "Shirt",
    "Sneaker",
    "Bag",
    "Ankle boot",
)
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-images-idx3-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-images-idx3-ubyte.gz to ./data/FashionMNIST/raw/train-images-idx3-ubyte.gz
Extracting ./data/FashionMNIST/raw/train-images-idx3-ubyte.gz to ./data/FashionMNIST/raw

Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-labels-idx1-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-labels-idx1-ubyte.gz to ./data/FashionMNIST/raw/train-labels-idx1-ubyte.gz
Extracting ./data/FashionMNIST/raw/train-labels-idx1-ubyte.gz to ./data/FashionMNIST/raw

Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-images-idx3-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-images-idx3-ubyte.gz to ./data/FashionMNIST/raw/t10k-images-idx3-ubyte.gz
Extracting ./data/FashionMNIST/raw/t10k-images-idx3-ubyte.gz to ./data/FashionMNIST/raw

Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-labels-idx1-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-labels-idx1-ubyte.gz to ./data/FashionMNIST/raw/t10k-labels-idx1-ubyte.gz
Extracting ./data/FashionMNIST/raw/t10k-labels-idx1-ubyte.gz to ./data/FashionMNIST/raw

Zobaczmy, co jest w naszym zbiorze danych. Poniżej kawałek kodu, który wyświetli nam kilka przykładowych obrazków.

In [ ]:
import matplotlib.pyplot as plt
import numpy as np


def imshow(img):
    img = img / 2 + 0.5       
    npimg = img.numpy()
    plt.imshow(np.transpose(npimg, (1, 2, 0)))
    plt.show()

dataiter = iter(trainloader)
images, labels = next(dataiter)

imshow(torchvision.utils.make_grid(images))

print(' '.join(f'{classes[labels[j]]:5s}' for j in range(batch_size)))
Bag   Ankle boot Pullover Bag   Sneaker Sneaker Bag   top   Pullover Shirt Shirt Sneaker Sandal Bag   Sneaker Ankle boot Ankle boot top   Pullover Sneaker Sneaker Coat  Bag   Bag   Bag   Dress Sneaker top   Shirt Coat  Ankle boot Dress

LeNet

LeNet to bardzo znany, klasyczny model sieci konwolucyjnej.

Warstwy:

  • obraz
  • konwolucja, kernel $5 \times 5$, bez paddingu, 6 kanałów (feature maps)
  • pooling, kernel $2 \times 2$, stride 2
  • konwolucja, kernel $5 \times 5$, bez paddingu, 16 kanałów (feature maps)
  • pooling, kernel $2 \times 2$, stride 2
  • warstwa w pełni połączona, 120 neuronów na wyjściu
  • warstwa w pełni połączona, 84 neurony na wyjściu
  • warstwa w pełni połączona, na wyjściu tyle neuronów, ile jest klas

Zadanie 1 (2 punkty)

Zaimplementuj wyżej opisaną sieć, używając biblioteki PyTorch. Wprowadzimy sobie jednak pewne modyfikacje, żeby było ciekawiej:

  • w pierwszej warstwie konwolucyjnej użyj 20 kanałów (feature maps)
  • w drugiej warstwie konwolucyjnej użyj 50 kanałów (feature maps)
  • w pierwszej warstwie gęstej użyj 300 neuronów
  • w drugiej warstwie gęstej użyj 100 neuronów

Przydatne elementy z pakietu torch.nn:

  • Conv2d()
  • AvgPool2d()
  • Linear()

Z pakietu torch.nn.functional:

  • relu()
In [6]:
import torch.nn as nn
import torch.nn.functional as F


class LeNet(nn.Module):
    def __init__(self):
        super().__init__()
        
        self.backbone = nn.Sequential(
            nn.Conv2d(in_channels=1, out_channels=20, kernel_size=5),
            nn.AvgPool2d(kernel_size=2, stride=2),
            nn.Conv2d(in_channels=20, out_channels=50, kernel_size=5),
            nn.AvgPool2d(kernel_size=2, stride=2),
        )

        self.head = nn.Sequential(
            nn.Linear(in_features=800, out_features=300),
            nn.ReLU(),
            nn.Linear(in_features=300, out_features=100),
            nn.ReLU(),
            nn.Linear(in_features=100, out_features=len(classes)),
        )

    def forward(self, x):
        #tu  połącz warstwy w sieć, pamietaj o aktywacji i spłaszczeniu w odpowiednich miejscach
        return self.head(torch.flatten(self.backbone(x), 1))

net = LeNet()
In [8]:
import torch.optim as optim

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

Zadanie 2 (1 punkt)

Uzupełnij pętlę uczącą sieć na podstawie jej predykcji. Oblicz (wykonaj krok do przodu) funkcję straty, a następnie przeprowadź propagację wsteczną i wykonaj krok optymalizatora, porównaj czas uczenia na cpu i gpu.

In [10]:
import time
net.train()

start = time.time()
for epoch in range(5):

    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data

        optimizer.zero_grad()

        outputs = net(inputs)
        loss = criterion(outputs, labels)

        running_loss += loss.item()

        loss.backward()
        optimizer.step()

        if i % 200 == 199:
            print(f"[{epoch + 1}, {i + 1:5d}] loss: {running_loss / 200:.3f}")
            running_loss = 0.0

end = time.time()
print("Finished Training CPU with time: ", end-start)
[1,   200] loss: 2.280
[1,   400] loss: 2.003
[1,   600] loss: 1.147
[1,   800] loss: 0.963
[1,  1000] loss: 0.903
[1,  1200] loss: 0.832
[1,  1400] loss: 0.784
[1,  1600] loss: 0.796
[1,  1800] loss: 0.750
[2,   200] loss: 0.744
[2,   400] loss: 0.724
[2,   600] loss: 0.701
[2,   800] loss: 0.711
[2,  1000] loss: 0.675
[2,  1200] loss: 0.669
[2,  1400] loss: 0.642
[2,  1600] loss: 0.640
[2,  1800] loss: 0.633
[3,   200] loss: 0.628
[3,   400] loss: 0.605
[3,   600] loss: 0.603
[3,   800] loss: 0.607
[3,  1000] loss: 0.587
[3,  1200] loss: 0.573
[3,  1400] loss: 0.550
[3,  1600] loss: 0.559
[3,  1800] loss: 0.537
[4,   200] loss: 0.534
[4,   400] loss: 0.533
[4,   600] loss: 0.513
[4,   800] loss: 0.517
[4,  1000] loss: 0.514
[4,  1200] loss: 0.516
[4,  1400] loss: 0.486
[4,  1600] loss: 0.516
[4,  1800] loss: 0.505
[5,   200] loss: 0.472
[5,   400] loss: 0.489
[5,   600] loss: 0.477
[5,   800] loss: 0.494
[5,  1000] loss: 0.481
[5,  1200] loss: 0.470
[5,  1400] loss: 0.464
[5,  1600] loss: 0.475
[5,  1800] loss: 0.455
Finished Training CPU with time:  191.3839418888092
In [11]:
netGPU = LeNet().to('cuda')
optimizerGPU = optim.SGD(netGPU.parameters(), lr=0.001, momentum=0.9)
criterionGPU = nn.CrossEntropyLoss().to('cuda')


netGPU.train()

start = time.time()
for epoch in range(5):

    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data

        optimizerGPU.zero_grad()

        outputs = netGPU(inputs.to('cuda'))
        loss = criterionGPU(outputs, labels.to('cuda'))

        running_loss += loss.item()

        loss.backward()
        optimizer.step()

        if i % 200 == 199:
            print(f"[{epoch + 1}, {i + 1:5d}] loss: {running_loss / 200:.3f}")
            running_loss = 0.0

end = time.time()
print("Finished Training GPU with time: ", end-start)
[1,   200] loss: 2.303
[1,   400] loss: 2.302
[1,   600] loss: 2.303
[1,   800] loss: 2.302
[1,  1000] loss: 2.302
[1,  1200] loss: 2.302
[1,  1400] loss: 2.303
[1,  1600] loss: 2.302
[1,  1800] loss: 2.304
[2,   200] loss: 2.303
[2,   400] loss: 2.303
[2,   600] loss: 2.302
[2,   800] loss: 2.301
[2,  1000] loss: 2.302
[2,  1200] loss: 2.302
[2,  1400] loss: 2.304
[2,  1600] loss: 2.302
[2,  1800] loss: 2.303
[3,   200] loss: 2.302
[3,   400] loss: 2.302
[3,   600] loss: 2.303
[3,   800] loss: 2.302
[3,  1000] loss: 2.302
[3,  1200] loss: 2.303
[3,  1400] loss: 2.303
[3,  1600] loss: 2.303
[3,  1800] loss: 2.302
[4,   200] loss: 2.303
[4,   400] loss: 2.302
[4,   600] loss: 2.302
[4,   800] loss: 2.302
[4,  1000] loss: 2.302
[4,  1200] loss: 2.301
[4,  1400] loss: 2.303
[4,  1600] loss: 2.303
[4,  1800] loss: 2.303
[5,   200] loss: 2.303
[5,   400] loss: 2.302
[5,   600] loss: 2.303
[5,   800] loss: 2.302
[5,  1000] loss: 2.302
[5,  1200] loss: 2.302
[5,  1400] loss: 2.302
[5,  1600] loss: 2.303
[5,  1800] loss: 2.302
Finished Training GPU with time:  57.60460138320923

Skomentuj wyniki:

  • Sieć uczy się na GPU ponad 3 razy szybciej!
In [ ]:
dataiter = iter(testloader)
images, labels = next(dataiter)

# print images
imshow(torchvision.utils.make_grid(images))
print("GroundTruth: ", " ".join(f"{classes[labels[j]]:5s}" for j in range(batch_size)))
GroundTruth:  Bag   Sandal Dress Dress Bag   Sandal Bag   Sandal Shirt Coat  Coat  top   Bag   Shirt Dress Shirt Shirt Shirt Bag   Shirt Dress Coat  Trouser Coat  Shirt Ankle boot Sandal Shirt Coat  top   Sandal Dress
In [ ]:
outputs = net(images.to(device))
In [ ]:
_, predicted = torch.max(outputs, 1)

print("Predicted: ", " ".join(f"{classes[predicted[j]]:5s}" for j in range(batch_size)))
Predicted:  Bag   Sneaker top   Dress Bag   Sandal Bag   Sandal Coat  Coat  Coat  top   Bag   Shirt Dress top   Shirt Shirt Bag   Dress Dress Coat  Trouser Shirt top   Ankle boot Sandal Pullover Coat  top   Ankle boot Dress
In [ ]:
correct = 0
total = 0
net.eval()
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images.to(device))
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels.to(device)).sum().item()

print(f"Accuracy of the network on the 10000 test images: {100 * correct // total} %")
Accuracy of the network on the 10000 test images: 82 %

Zadanie 3 (1 punkt)

Oblicz dokładność działania sieci (accuracy) dla każdej klasy z osobna.

In [ ]:
correct_pred = {classname: 0 for classname in classes}
total_pred = {classname: 0 for classname in classes}
net.eval()
with torch.no_grad():
    for data in testloader:
        images, labels = data
        images = images.to(device)
        labels = labels.to(device)
        outputs = net(images)
        _, predictions = torch.max(outputs, 1)
        for ind, classname in enumerate(classes):
            pred = (labels[(labels == ind)] == predictions[(labels == ind)])
            correct_pred[classname] += pred.sum()
            total_pred[classname] += pred.size(0)


for classname, correct_count in correct_pred.items():
    accuracy = 100 * float(correct_count) / total_pred[classname]
    print(f"Accuracy for class: {classname:5s} is {accuracy:.1f} %")
Accuracy for class: top   is 80.6 %
Accuracy for class: Trouser is 92.4 %
Accuracy for class: Pullover is 57.2 %
Accuracy for class: Dress is 88.6 %
Accuracy for class: Coat  is 82.8 %
Accuracy for class: Sandal is 89.7 %
Accuracy for class: Shirt is 48.4 %
Accuracy for class: Sneaker is 92.4 %
Accuracy for class: Bag   is 95.2 %
Accuracy for class: Ankle boot is 95.7 %

Skomentuj wyniki:

  • Najlepsze wyniki dokładności w rozpoznaniu mają spodnie, buty, torebka które mają wyróżniający się kształt. Z ubraniami o podobnym kroju mamy gorsze wyniki ze względu na ich podobieństwo względem siebie (bluzka, płaszcz, top, sweter)

Detekcja obiektów

Jest to problem odmienny od klasyfikacji obrazów, choć w praktyce ściśle z nim powiązany - modele do detekcji obiektów przeważnie do pewnego momentu wyglądają tak samo, jak modele klasyfikacji. Jednak pod koniec sieć jest dzielona na 2 wyjścia: jedno to standardowa klasyfikacja, a drugie to regresor określający pozycję obiektu na obrazie, tzw. bounding box. Najpopularniejszymi przykładami takich sieci są YOLO i Mask R-CNN. Zbiór danych też jest odpowiednio przygotowany do tego zadania i oprócz właściwych zdjęć zawiera również maskę, gdzie tło i każdy istotny obiekt jest zaznaczony innym kolorem.

In [ ]:
from torchvision.models import detection
import numpy as np
import cv2
from PIL import Image, ImageDraw
import urllib

Funkcja pozwalająca wczytać obraz z sieci:

In [ ]:
def url_to_image(url):
    resp = urllib.request.urlopen(url)
    image = np.asarray(bytearray(resp.read()), dtype="uint8")
    image = cv2.imdecode(image, cv2.IMREAD_COLOR)
    return image
In [ ]:
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

classes = [
    "__background__",
    "person",
    "bicycle",
    "car",
    "motorcycle",
    "airplane",
    "bus",
    "train",
    "truck",
    "boat",
    "traffic light",
    "fire hydrant",
    "street sign",
    "stop sign",
    "parking meter",
    "bench",
    "bird",
    "cat",
    "dog",
    "horse",
    "sheep",
    "cow",
    "elephant",
    "bear",
    "zebra",
    "giraffe",
    "hat",
    "backpack",
    "umbrella",
    "handbag",
    "tie",
    "shoe",
    "eye glasses",
    "suitcase",
    "frisbee",
    "skis",
    "snowboard",
    "sports ball",
    "kite",
    "baseball bat",
    "baseball glove",
    "skateboard",
    "surfboard",
    "tennis racket",
    "bottle",
    "plate",
    "wine glass",
    "cup",
    "fork",
    "knife",
    "spoon",
    "bowl",
    "banana",
    "apple",
    "sandwich",
    "orange",
    "broccoli",
    "carrot",
    "hot dog",
    "pizza",
    "donut",
    "cake",
    "chair",
    "couch",
    "potted plant",
    "bed",
    "mirror",
    "dining table",
    "window",
    "desk",
    "toilet",
    "door",
    "tv",
    "laptop",
    "mouse",
    "remote",
    "keyboard",
    "cell phone",
    "microwave",
    "oven",
    "toaster",
    "sink",
    "refrigerator",
    "blender",
    "book",
    "clock",
    "vase",
    "scissors",
    "teddy bear",
    "hair drier",
    "toothbrush",
]

colors = np.random.randint(0, 256, size=(len(classes), 3))
In [ ]:
models = {
    "frcnn-resnet": detection.fasterrcnn_resnet50_fpn,
    "frcnn-mobilenet": detection.fasterrcnn_mobilenet_v3_large_320_fpn,
    "retinanet": detection.retinanet_resnet50_fpn,
}
# load the model and set it to evaluation mode
model = models["frcnn-resnet"](
    weights=detection.FasterRCNN_ResNet50_FPN_Weights.DEFAULT,
    weights_backbone=torchvision.models.ResNet50_Weights.DEFAULT,
    progress=True,
    num_classes=len(classes)
).to(device)
model.eval()
Out[ ]:
FasterRCNN(
  (transform): GeneralizedRCNNTransform(
      Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
      Resize(min_size=(800,), max_size=1333, mode='bilinear')
  )
  (backbone): BackboneWithFPN(
    (body): IntermediateLayerGetter(
      (conv1): Conv2d(3, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=False)
      (bn1): FrozenBatchNorm2d(64, eps=0.0)
      (relu): ReLU(inplace=True)
      (maxpool): MaxPool2d(kernel_size=3, stride=2, padding=1, dilation=1, ceil_mode=False)
      (layer1): Sequential(
        (0): Bottleneck(
          (conv1): Conv2d(64, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d(64, eps=0.0)
          (conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d(64, eps=0.0)
          (conv3): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d(256, eps=0.0)
          (relu): ReLU(inplace=True)
          (downsample): Sequential(
            (0): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
            (1): FrozenBatchNorm2d(256, eps=0.0)
          )
        )
        (1): Bottleneck(
          (conv1): Conv2d(256, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d(64, eps=0.0)
          (conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d(64, eps=0.0)
          (conv3): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d(256, eps=0.0)
          (relu): ReLU(inplace=True)
        )
        (2): Bottleneck(
          (conv1): Conv2d(256, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d(64, eps=0.0)
          (conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d(64, eps=0.0)
          (conv3): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d(256, eps=0.0)
          (relu): ReLU(inplace=True)
        )
      )
      (layer2): Sequential(
        (0): Bottleneck(
          (conv1): Conv2d(256, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d(128, eps=0.0)
          (conv2): Conv2d(128, 128, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d(128, eps=0.0)
          (conv3): Conv2d(128, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d(512, eps=0.0)
          (relu): ReLU(inplace=True)
          (downsample): Sequential(
            (0): Conv2d(256, 512, kernel_size=(1, 1), stride=(2, 2), bias=False)
            (1): FrozenBatchNorm2d(512, eps=0.0)
          )
        )
        (1): Bottleneck(
          (conv1): Conv2d(512, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d(128, eps=0.0)
          (conv2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d(128, eps=0.0)
          (conv3): Conv2d(128, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d(512, eps=0.0)
          (relu): ReLU(inplace=True)
        )
        (2): Bottleneck(
          (conv1): Conv2d(512, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d(128, eps=0.0)
          (conv2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d(128, eps=0.0)
          (conv3): Conv2d(128, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d(512, eps=0.0)
          (relu): ReLU(inplace=True)
        )
        (3): Bottleneck(
          (conv1): Conv2d(512, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d(128, eps=0.0)
          (conv2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d(128, eps=0.0)
          (conv3): Conv2d(128, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d(512, eps=0.0)
          (relu): ReLU(inplace=True)
        )
      )
      (layer3): Sequential(
        (0): Bottleneck(
          (conv1): Conv2d(512, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d(256, eps=0.0)
          (conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d(256, eps=0.0)
          (conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d(1024, eps=0.0)
          (relu): ReLU(inplace=True)
          (downsample): Sequential(
            (0): Conv2d(512, 1024, kernel_size=(1, 1), stride=(2, 2), bias=False)
            (1): FrozenBatchNorm2d(1024, eps=0.0)
          )
        )
        (1): Bottleneck(
          (conv1): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d(256, eps=0.0)
          (conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d(256, eps=0.0)
          (conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d(1024, eps=0.0)
          (relu): ReLU(inplace=True)
        )
        (2): Bottleneck(
          (conv1): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d(256, eps=0.0)
          (conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d(256, eps=0.0)
          (conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d(1024, eps=0.0)
          (relu): ReLU(inplace=True)
        )
        (3): Bottleneck(
          (conv1): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d(256, eps=0.0)
          (conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d(256, eps=0.0)
          (conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d(1024, eps=0.0)
          (relu): ReLU(inplace=True)
        )
        (4): Bottleneck(
          (conv1): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d(256, eps=0.0)
          (conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d(256, eps=0.0)
          (conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d(1024, eps=0.0)
          (relu): ReLU(inplace=True)
        )
        (5): Bottleneck(
          (conv1): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d(256, eps=0.0)
          (conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d(256, eps=0.0)
          (conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d(1024, eps=0.0)
          (relu): ReLU(inplace=True)
        )
      )
      (layer4): Sequential(
        (0): Bottleneck(
          (conv1): Conv2d(1024, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d(512, eps=0.0)
          (conv2): Conv2d(512, 512, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d(512, eps=0.0)
          (conv3): Conv2d(512, 2048, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d(2048, eps=0.0)
          (relu): ReLU(inplace=True)
          (downsample): Sequential(
            (0): Conv2d(1024, 2048, kernel_size=(1, 1), stride=(2, 2), bias=False)
            (1): FrozenBatchNorm2d(2048, eps=0.0)
          )
        )
        (1): Bottleneck(
          (conv1): Conv2d(2048, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d(512, eps=0.0)
          (conv2): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d(512, eps=0.0)
          (conv3): Conv2d(512, 2048, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d(2048, eps=0.0)
          (relu): ReLU(inplace=True)
        )
        (2): Bottleneck(
          (conv1): Conv2d(2048, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d(512, eps=0.0)
          (conv2): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d(512, eps=0.0)
          (conv3): Conv2d(512, 2048, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d(2048, eps=0.0)
          (relu): ReLU(inplace=True)
        )
      )
    )
    (fpn): FeaturePyramidNetwork(
      (inner_blocks): ModuleList(
        (0): Conv2dNormActivation(
          (0): Conv2d(256, 256, kernel_size=(1, 1), stride=(1, 1))
        )
        (1): Conv2dNormActivation(
          (0): Conv2d(512, 256, kernel_size=(1, 1), stride=(1, 1))
        )
        (2): Conv2dNormActivation(
          (0): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1))
        )
        (3): Conv2dNormActivation(
          (0): Conv2d(2048, 256, kernel_size=(1, 1), stride=(1, 1))
        )
      )
      (layer_blocks): ModuleList(
        (0): Conv2dNormActivation(
          (0): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        )
        (1): Conv2dNormActivation(
          (0): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        )
        (2): Conv2dNormActivation(
          (0): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        )
        (3): Conv2dNormActivation(
          (0): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        )
      )
      (extra_blocks): LastLevelMaxPool()
    )
  )
  (rpn): RegionProposalNetwork(
    (anchor_generator): AnchorGenerator()
    (head): RPNHead(
      (conv): Sequential(
        (0): Conv2dNormActivation(
          (0): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
          (1): ReLU(inplace=True)
        )
      )
      (cls_logits): Conv2d(256, 3, kernel_size=(1, 1), stride=(1, 1))
      (bbox_pred): Conv2d(256, 12, kernel_size=(1, 1), stride=(1, 1))
    )
  )
  (roi_heads): RoIHeads(
    (box_roi_pool): MultiScaleRoIAlign(featmap_names=['0', '1', '2', '3'], output_size=(7, 7), sampling_ratio=2)
    (box_head): TwoMLPHead(
      (fc6): Linear(in_features=12544, out_features=1024, bias=True)
      (fc7): Linear(in_features=1024, out_features=1024, bias=True)
    )
    (box_predictor): FastRCNNPredictor(
      (cls_score): Linear(in_features=1024, out_features=91, bias=True)
      (bbox_pred): Linear(in_features=1024, out_features=364, bias=True)
    )
  )
)

IPython, z którego korzystamy w Jupyter Notebooku, ma wbudowaną funkcję display() do wyświetlania obrazów.

In [ ]:
!wget https://upload.wikimedia.org/wikipedia/commons/thumb/7/7a/Toothbrush_x3_20050716_001.jpg/1280px-Toothbrush_x3_20050716_001.jpg --output-document toothbrushes.jpg
--2023-01-09 13:33:13--  https://upload.wikimedia.org/wikipedia/commons/thumb/7/7a/Toothbrush_x3_20050716_001.jpg/1280px-Toothbrush_x3_20050716_001.jpg
Resolving upload.wikimedia.org (upload.wikimedia.org)... 91.198.174.208
Connecting to upload.wikimedia.org (upload.wikimedia.org)|91.198.174.208|:443... connected.
HTTP request sent, awaiting response... 200 OK
Length: 244963 (239K) [image/jpeg]
Saving to: 'toothbrushes.jpg'

toothbrushes.jpg    100%[===================>] 239.22K  --.-KB/s    in 0.1s    

2023-01-09 13:33:13 (1.59 MB/s) - 'toothbrushes.jpg' saved [244963/244963]

In [ ]:
image = Image.open("toothbrushes.jpg")

# make sure we have 3-channel RGB, e.g. without transparency
image = image.convert("RGB")

display(image)

PyTorch wymaga obrazów w kształcie [channels, height, width] (C, H, W) oraz z wartościami pikseli między 0 a 1. Pillow wczytuje obrazy z kanałami (H, W, C) oraz z wartościami pikseli między 0 a 255. Przed wykorzystaniem sieci neuronowej trzeba zatem:

  • zamienić obraz na tensor
  • zmienić kolejność kanałów
  • podzielić wartości pikseli przez 255
In [ ]:
image_tensor = torch.from_numpy(np.array(image))
image_tensor = image_tensor.permute(2, 0, 1)
image_tensor_int = image_tensor  # useful for displaying, dtype = uint8
image_tensor = image_tensor / 255
image_tensor.shape, image_tensor.dtype
Out[ ]:
(torch.Size([3, 960, 1280]), torch.float32)

Zadanie 4 (1 punkt)

Użyj modelu do wykrycia obiektów na obrazie. Następnie wybierz tylko te bounding boxy, dla których mamy wynik powyżej 50%. Narysuj te bounding boxy, ich prawdopodobieństwa (w procentach) oraz nazwy klas.

Następnie wykorzystaj wyniki do zaznaczenia bounding box'a dla każdego wykrytego obiektu na obrazie oraz podpisz wykrytą klasę wraz z prawdopodobieństwem. Możesz tutaj użyć:

In [ ]:
import torchvision.transforms.functional as F


plt.rcParams["savefig.bbox"] = 'tight'


def show(imgs):
    if not isinstance(imgs, list):
        imgs = [imgs]
    fig, axs = plt.subplots(ncols=len(imgs), squeeze=False)
    for i, img in enumerate(imgs):
        img = img.detach()
        img = F.to_pil_image(img)
        axs[0, i].imshow(np.asarray(img))
        axs[0, i].set(xticklabels=[], yticklabels=[], xticks=[], yticks=[])
In [ ]:
from torchvision.utils import draw_bounding_boxes

with torch.no_grad():
    result = model([image_tensor.to(device)])
    bounding_boxes = result[0]['boxes']
    scores = result[0]['scores']
    
    boxes = bounding_boxes[scores > 0.5]
    result = draw_bounding_boxes(image_tensor_int, boxes, width=3)
    show(result)

Fine-tuning i pretrening

Jest to jedna z opcji transfer learningu. Mamy w nim już wytrenowaną sieć na dużym zbiorze danych (pretrening) i chcemy, żeby sieć poradziła sobie z nową klasą obiektów (klasyfikacja), albo lepiej radziła sobie z wybranymi obiektami, które już zna (fine-tuning). Możemy usunąć ostatnią warstwę sieci i na jej miejsce wstawić nową, identyczną, jednak z losowo zainicjalizowanymi wagami, a następnie dotrenować sieć na naszym nowym, bardziej specyficznym zbiorze danych. Przykładowo, jako bazę weźmiemy model wytrenowany na zbiorze ImageNet i będziemy chcieli użyć go do rozpoznawania nowych, nieznanych mu klas, np. ras psów.

Dla przykładu wykorzystamy zbiór danych z hotdogami. Będziemy chcieli stwierdzić, czy na obrazku jest hotdog, czy nie. Jako sieci użyjemy modelu ResNet-18, pretrenowanej na zbiorze ImageNet.

In [ ]:
!wget http://d2l-data.s3-accelerate.amazonaws.com/hotdog.zip
--2023-01-09 13:33:24--  http://d2l-data.s3-accelerate.amazonaws.com/hotdog.zip
Resolving d2l-data.s3-accelerate.amazonaws.com (d2l-data.s3-accelerate.amazonaws.com)... 18.66.232.28
Connecting to d2l-data.s3-accelerate.amazonaws.com (d2l-data.s3-accelerate.amazonaws.com)|18.66.232.28|:80... connected.
HTTP request sent, awaiting response... 200 OK
Length: 261292301 (249M) [application/zip]
Saving to: 'hotdog.zip.2'

hotdog.zip.2        100%[===================>] 249.19M  9.78MB/s    in 27s     

2023-01-09 13:33:52 (9.20 MB/s) - 'hotdog.zip.2' saved [261292301/261292301]

In [ ]:
!unzip -n hotdog.zip
Archive:  hotdog.zip
In [ ]:
import os
import torch
import torch.nn as nn
import torchvision

Kiedy korzystamy z sieci pretrenowanej na zbiorze ImageNet, zgodnie z dokumentacją trzeba dokonać standaryzacji naszych obrazów, odejmując średnią i dzieląc przez odchylenie standardowe każdego kanału ze zbioru ImageNet.

All pre-trained models expect input images normalized in the same way, i.e. mini-batches of 3-channel RGB images of shape (3 x H x W), where H and W are
expected to be at least 224. The images have to be loaded in to a range of [0, 1] and then normalized using mean = [0.485, 0.456, 0.406] and std = [0.229,
0.224, 0.225]. You can use the following transform to normalize:

normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406],
                                 std=[0.229, 0.224, 0.225])
In [ ]:
torch.manual_seed(17)

normalize = transforms.Normalize(
    mean=[0.485, 0.456, 0.406],
    std=[0.229, 0.224, 0.225]
)

train_augs = torchvision.transforms.Compose(
    [
        torchvision.transforms.RandomResizedCrop(224),
        torchvision.transforms.RandomHorizontalFlip(),
        torchvision.transforms.ToTensor(),
        normalize,
    ]
)

test_augs = torchvision.transforms.Compose(
    [
        torchvision.transforms.Resize(256),
        torchvision.transforms.CenterCrop(224),
        torchvision.transforms.ToTensor(),
        normalize,
    ]
)
In [ ]:
pretrained_net = torchvision.models.resnet18(weights=torchvision.models.ResNet18_Weights.IMAGENET1K_V1)
In [ ]:
pretrained_net.fc
Out[ ]:
Linear(in_features=512, out_features=1000, bias=True)

Zadanie 5 (1 punkt)

Dodaj warstwę liniową do naszej fine-fune'owanej sieci oraz zainicjuj ją losowymi wartościami.

In [ ]:
finetuned_net = pretrained_net
finetuned_net.fc = nn.Linear(in_features=512, out_features=5)
In [ ]:
import time
import copy


def train_model(
    model, dataloaders, criterion, optimizer, num_epochs=25
):
    since = time.time()

    val_acc_history = []

    best_model_wts = copy.deepcopy(model.state_dict())
    best_acc = 0.0

    for epoch in range(1, num_epochs + 1):
        print("Epoch {}/{}".format(epoch, num_epochs))
        print("-" * 10)

        # Each epoch has a training and validation phase
        for phase in ["train", "val"]:
            if phase == "train":
                model.train()  # Set model to training mode
            else:
                model.eval()  # Set model to evaluate mode

            running_loss = 0.0
            running_corrects = 0

            # Iterate over data.
            for inputs, labels in dataloaders[phase]:
                inputs = inputs.to(device)
                labels = labels.to(device)

                # zero the parameter gradients
                optimizer.zero_grad()

                # forward
                # track history if only in train
                with torch.set_grad_enabled(phase == "train"):
                    # Get model outputs and calculate loss
                    
                    outputs = model(inputs)
                    loss = criterion(outputs, labels)
                    _, preds = torch.max(outputs, 1)

                    # backward + optimize only if in training phase
                    if phase == "train":
                        loss.backward()
                        optimizer.step()

                # statistics
                running_loss += loss.item() * inputs.size(0)
                running_corrects += torch.sum(preds == labels.data)

            epoch_loss = running_loss / len(dataloaders[phase].dataset)
            epoch_acc = running_corrects.double() / len(dataloaders[phase].dataset)

            print("{} Loss: {:.4f} Acc: {:.4f}".format(phase, epoch_loss, epoch_acc))

            # deep copy the model
            if phase == "val" and epoch_acc > best_acc:
                best_acc = epoch_acc
                best_model_wts = copy.deepcopy(model.state_dict())
            if phase == "val":
                val_acc_history.append(epoch_acc)

        print()

    time_elapsed = time.time() - since
    print(
        "Training complete in {:.0f}m {:.0f}s".format(
            time_elapsed // 60, time_elapsed % 60
        )
    )
    print("Best val Acc: {:4f}".format(best_acc))

    # load best model weights
    model.load_state_dict(best_model_wts)
    return model, val_acc_history
In [ ]:
data_dir = "hotdog"
batch_size = 32

model_ft = finetuned_net.to(device)
train_iter = torch.utils.data.DataLoader(
    torchvision.datasets.ImageFolder(
        os.path.join(data_dir, "train"), transform=train_augs
    ),
    batch_size=batch_size,
    shuffle=True,
)
test_iter = torch.utils.data.DataLoader(
    torchvision.datasets.ImageFolder(
        os.path.join(data_dir, "test"), transform=test_augs
    ),
    shuffle=True,
    batch_size=batch_size,
)
loss = nn.CrossEntropyLoss(reduction="none")

Zadanie 6 (1 punkt)

Zmodyfikuj tak parametry sieci, aby learning rate dla ostatniej warstwy był 10 razy wyższy niż dla pozostałych.

Trzeba odpowiednio podać pierwszy parametr torch.optim.SGD tak, aby zawierał parametry normalne, oraz te z lr * 10. Paramety warstw niższych to takie, które mają nazwę inną niż fc.weight albo fc.bias - może się przydać metoda sieci named_parameters().

In [ ]:
def train_fine_tuning(net, learning_rate, num_epochs=15):
    updated_params = []
    params = []
    for name, param in net.named_parameters():
        if 'fc.weight' in name or 'fc.bias' in name:
            updated_params.append(param)
        else:
            params.append(param)

    trainer = torch.optim.SGD([
        {'params': updated_params, 'lr': learning_rate*10},
        {'params': params, 'lr': learning_rate}], 
        weight_decay=0.001)#popraw mnie
    
    dataloaders_dict = {"train": train_iter, "val": test_iter}
    criterion = nn.CrossEntropyLoss()
    model_ft, hist = train_model(
        net, dataloaders_dict, criterion, trainer, num_epochs=num_epochs
    )
    return model_ft, hist
In [ ]:
model_ft, hist = train_fine_tuning(model_ft, learning_rate=5e-5)
Epoch 1/15
----------
train Loss: 1.1464 Acc: 0.4385
val Loss: 0.8119 Acc: 0.5913

Epoch 2/15
----------
train Loss: 0.7471 Acc: 0.6130
val Loss: 0.6525 Acc: 0.7000

Epoch 3/15
----------
train Loss: 0.6282 Acc: 0.7240
val Loss: 0.5574 Acc: 0.7700

Epoch 4/15
----------
train Loss: 0.5550 Acc: 0.7730
val Loss: 0.4965 Acc: 0.8113

Epoch 5/15
----------
train Loss: 0.5067 Acc: 0.8040
val Loss: 0.4462 Acc: 0.8525

Epoch 6/15
----------
train Loss: 0.4748 Acc: 0.8145
val Loss: 0.4133 Acc: 0.8538

Epoch 7/15
----------
train Loss: 0.4379 Acc: 0.8375
val Loss: 0.3886 Acc: 0.8812

Epoch 8/15
----------
train Loss: 0.4117 Acc: 0.8490
val Loss: 0.3671 Acc: 0.8912

Epoch 9/15
----------
train Loss: 0.3935 Acc: 0.8590
val Loss: 0.3454 Acc: 0.8925

Epoch 10/15
----------
train Loss: 0.3698 Acc: 0.8700
val Loss: 0.3341 Acc: 0.8912

Epoch 11/15
----------
train Loss: 0.3668 Acc: 0.8720
val Loss: 0.3139 Acc: 0.9050

Epoch 12/15
----------
train Loss: 0.3592 Acc: 0.8695
val Loss: 0.3043 Acc: 0.9025

Epoch 13/15
----------
train Loss: 0.3413 Acc: 0.8815
val Loss: 0.2969 Acc: 0.9100

Epoch 14/15
----------
train Loss: 0.3347 Acc: 0.8840
val Loss: 0.2884 Acc: 0.9087

Epoch 15/15
----------
train Loss: 0.3309 Acc: 0.8835
val Loss: 0.2801 Acc: 0.9100

Training complete in 92m 17s
Best val Acc: 0.910000

skomentuj wyniki:

  • Widzimy, że dokładność rośnie z każdą epoką. Loss też maleje, co może oznaczać, że sieć lepiej dopasowuje się do danych. Otrzymana najlepsza dokładnosć 91% jest świetnym wynikiem.

Przy wyświetlaniu predykcji sieci musimy wykonać operacje odwrotne niż te, które wykonaliśmy, przygotowując obrazy do treningu:

  • zamienić kolejność kanałów z (C, H, W) na (H, W, C)
  • zamienić obraz z tensora na tablicę Numpy'a
  • odwrócić normalizację (mnożymy przez odchylenie standardowe, dodajemy średnią) i upewnić się, że nie wychodzimy poza zakres [0, 1] (wystarczy proste przycięcie wartości)
In [ ]:
def imshow(img, title=None):
    img = img.permute(1, 2, 0).numpy()
    means = np.array([0.485, 0.456, 0.406])
    stds = np.array([0.229, 0.224, 0.225])
    img = stds * img + means
    img = np.clip(img, 0, 1)

    plt.imshow(img)
    if title is not None:
        plt.title(title)
    
    plt.pause(0.001)
In [ ]:
import matplotlib.pyplot as plt
plt.ion()  


def visualize_model(model, num_images=6):
    class_names = ["hotdog", "other"]
    model.eval()
    images_so_far = 0
    fig = plt.figure()
    with torch.no_grad():
        for i, (inputs, labels) in enumerate(test_iter):
            inputs = inputs.to(device)
            labels = labels.to(device)

            outputs = model(inputs)
            _, preds = torch.max(outputs, 1)

            for j in range(inputs.size()[0]):
                images_so_far += 1
                ax = plt.subplot(num_images // 2, 2, images_so_far)
                ax.axis('off')
                ax.set_title(f'predicted: {class_names[preds[j]]}')

                imshow(inputs.data[j].cpu())

                if images_so_far == num_images:
                    return
In [ ]:
visualize_model(model_ft)

Rozpoznawanie, kto jest na zdjęciu

In [ ]:
!pip install facenet-pytorch
Collecting facenet-pytorch
  Downloading facenet_pytorch-2.5.2-py3-none-any.whl (1.9 MB)
     ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 1.9/1.9 MB 8.1 MB/s eta 0:00:0000:0100:01
Requirement already satisfied: pillow in /Users/sophiepopow/opt/anaconda3/lib/python3.9/site-packages (from facenet-pytorch) (9.3.0)
Requirement already satisfied: numpy in /Users/sophiepopow/opt/anaconda3/lib/python3.9/site-packages (from facenet-pytorch) (1.21.5)
Requirement already satisfied: requests in /Users/sophiepopow/opt/anaconda3/lib/python3.9/site-packages (from facenet-pytorch) (2.28.1)
Requirement already satisfied: torchvision in /Users/sophiepopow/opt/anaconda3/lib/python3.9/site-packages (from facenet-pytorch) (0.14.0)
Requirement already satisfied: idna<4,>=2.5 in /Users/sophiepopow/opt/anaconda3/lib/python3.9/site-packages (from requests->facenet-pytorch) (3.4)
Requirement already satisfied: charset-normalizer<3,>=2 in /Users/sophiepopow/opt/anaconda3/lib/python3.9/site-packages (from requests->facenet-pytorch) (2.0.4)
Requirement already satisfied: certifi>=2017.4.17 in /Users/sophiepopow/opt/anaconda3/lib/python3.9/site-packages (from requests->facenet-pytorch) (2022.12.7)
Requirement already satisfied: urllib3<1.27,>=1.21.1 in /Users/sophiepopow/opt/anaconda3/lib/python3.9/site-packages (from requests->facenet-pytorch) (1.26.13)
Requirement already satisfied: typing_extensions in /Users/sophiepopow/opt/anaconda3/lib/python3.9/site-packages (from torchvision->facenet-pytorch) (4.4.0)
Requirement already satisfied: torch in /Users/sophiepopow/opt/anaconda3/lib/python3.9/site-packages (from torchvision->facenet-pytorch) (1.13.0)
Installing collected packages: facenet-pytorch
Successfully installed facenet-pytorch-2.5.2
In [ ]:
import urllib
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from PIL import Image
from facenet_pytorch import InceptionResnetV1, MTCNN
from torchvision.transforms.functional import to_pil_image
In [ ]:
!wget https://raw.githubusercontent.com/timesler/facenet-pytorch/feature/add_vggface2_labels/data/labels-vggface2.csv --output-document vggface_labels.csv
--2023-01-06 14:00:48--  https://raw.githubusercontent.com/timesler/facenet-pytorch/feature/add_vggface2_labels/data/labels-vggface2.csv
Resolving raw.githubusercontent.com (raw.githubusercontent.com)... 2606:50c0:8003::154, 2606:50c0:8001::154, 2606:50c0:8000::154, ...
Connecting to raw.githubusercontent.com (raw.githubusercontent.com)|2606:50c0:8003::154|:443... connected.
HTTP request sent, awaiting response... 200 OK
Length: 139040 (136K) [text/plain]
Saving to: 'vggface_labels.csv'

vggface_labels.csv  100%[===================>] 135.78K  --.-KB/s    in 0.05s   

2023-01-06 14:00:49 (2.45 MB/s) - 'vggface_labels.csv' saved [139040/139040]

Jak to działa?

Zanim w ogóle pomyślimy o rozpoznawaniu twarzy, najpierw musimy zorientować się, czy w ogóle twarz jest na obrazie, i jeśli tak, to ją wyodrębnić, bo reszta obrazu nas nie interesuje. Ten proces przeważnie znajduje wszystkie twarze na obrazie, nie tylko jedną. Istnieją dwie podstawowe metody znajdowania twarzy na obrazie:

  • kaskady Haara - klasyczne podejście, szybkie, w miarę skuteczne, nieodporne na dużę ruchy głowy, okulary itp. (są różne kaskady dla takich przypadków)
  • sieci neuronowe, np. MTCNN - bardziej współczesne podejście, są one wolniejsze (a nawet wolne), więc wymagają więcej mocy obliczeniowej, ale za to są skuteczniejsze i bardziej odporne na wszelakie zakłócenia.

Implementacja MTCNN z biblioteki facenet-pytorch ma 2 możliwości użycia:

  1. Przez metodę .detect(), np. mtcnn.detect(img). W ten sposób dostajemy koordynaty (bounding box) twarzy na oryginalnym obrazie. Ma to zastosowanie w samym wykrywaniu twarzy, lub kiedy chcemy później zastosować własne implementacje sieci do rozpoznawania twarzy.
  2. Przez metodę __call__(), np. mtcnn(img). W ten sposób dostajemy wyciętą i znormalizowaną twarz, gotową do późniejszego użycia w rozpoznawaniu twarzy za pomocą tej biblioteki. Normalizacja to przeskalowanie twarzy tak, żeby miała równe wymiary, oraz standaryzacja kolorów.

Zobaczmy teraz, jak działa pierwsza opcja.

In [ ]:
jerzy_stuhr_image_path = "https://upload.wikimedia.org/wikipedia/commons/thumb/9/91/Jerzy_Stuhr_27_stycznia_2018.jpg/1024px-Jerzy_Stuhr_27_stycznia_2018.jpg"

img = Image.open(urllib.request.urlopen(jerzy_stuhr_image_path)).convert("RGB")

detector = MTCNN(device=device)

boxes, probabilities = detector.detect(img)
box = boxes[0]
face = img.crop(box)

plt.imshow(face)
plt.show()

Zadanie 7 (1 punkt)

Uzupełnij kod funkcji extract_face_haar() tak, by działała tak samo, jak extract_face_mtcnn(), ale z wykorzystaniem kaskady Haara z OpenCV. Ma zwracać tensor PyTorcha, abyśmy mogli dalej wykorzystać go do identyfikacji z użyciem sieci neuronowej:

  • typu float32 (OpenCV używa uint8)
  • z zakresem wartości [0, 1] (OpenCV używa [0, 255])
  • z kolejnością kanałów (C, H, W) (OpenCV, jak Numpy, używa (H, W, C))
  • na urządzeniu device

Mogą się przydać:

  • cvtColor()
  • CascadeClassifier()
  • detectMultiScale()

W funkcji extract_face_mtcnn mamy dodatkowy argument post_process. Gdy ma on wartość False, to detektor twarzy nie normalizuje obrazu (jedynie zmienia rozmiar na kwadrat) i będzie się wyświetlał "normalnie". Kiedy natomiast chcemy użyć wyjścia z detektora twarzy jako wejścia do drugiej sieci, do identyfikacji osób, to trzeba użyć post_process=True, aby użyć odpowiednich transformacji. Typowo daje to lepsze wyniki.

In [ ]:
!wget https://raw.githubusercontent.com/opencv/opencv/master/data/haarcascades/haarcascade_frontalface_default.xml
--2023-01-06 14:04:23--  https://raw.githubusercontent.com/opencv/opencv/master/data/haarcascades/haarcascade_frontalface_default.xml
Resolving raw.githubusercontent.com (raw.githubusercontent.com)... 2606:50c0:8003::154, 2606:50c0:8001::154, 2606:50c0:8000::154, ...
Connecting to raw.githubusercontent.com (raw.githubusercontent.com)|2606:50c0:8003::154|:443... connected.
HTTP request sent, awaiting response... 200 OK
Length: 930127 (908K) [text/plain]
Saving to: 'haarcascade_frontalface_default.xml'

haarcascade_frontal 100%[===================>] 908.33K  --.-KB/s    in 0.1s    

2023-01-06 14:04:23 (6.63 MB/s) - 'haarcascade_frontalface_default.xml' saved [930127/930127]

In [ ]:
def extract_face_mtcnn(image_path, output_face_img_size=160, post_process=False):
    # load image from URL
    img = Image.open(urllib.request.urlopen(image_path)).convert("RGB")
        
    # create the detector
    detector = MTCNN(
        output_face_img_size, 
        device=device,
        post_process=post_process
    )
    # print (type(torch.Tensor(img).to(device)))

    # get face from image
    face = detector(img)
    
    # apply very basic normalization manually when postprocessing is 
    # not used - change values from default [0, 255] to [0, 1]
    if not post_process:
        face /= 255
    
    return face
In [ ]:
face_mtcnn = extract_face_mtcnn(jerzy_stuhr_image_path)

print(face_mtcnn.min(), face_mtcnn.max(), face_mtcnn.dtype)

# plot the extracted face
to_pil_image(face_mtcnn)
tensor(0.0118) tensor(0.8706) torch.float32
Out[ ]:
In [ ]:
import cv2


def extract_face_haar(filename, required_size=160):
    image = np.array(Image.open(urllib.request.urlopen(filename)))

    haar_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
    img_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    faces_rect = haar_cascade.detectMultiScale(img_gray, scaleFactor=1.1, minNeighbors=9)
    
    if len(faces_rect) == 0:
        return None
    
    (x, y, w, h) = faces_rect[0]
    face = image[y:y + h, x:x + w]

    # resize pixels to the model size
    image = Image.fromarray(face)
    image = image.resize((required_size, required_size))
    face_array = np.asarray(image)   
    # change channel order from (H, W, C) to (C, H, W)
    face = np.moveaxis(face, 2, 0)
    
    # Numpy array -> PyTorch tensor on appropriate device
    face = torch.Tensor(face).to(device)
    
    # convert value range
    face /= 255
    
    return face
In [ ]:
face_haar = extract_face_haar(jerzy_stuhr_image_path)

# plot the extracted face
to_pil_image(face_haar)
Out[ ]:

Skomentuj wyniki uzyskane przez powyższe metody:

  • Metoda wykorzystująca kaskady haara jest szybka i skuteczna, obie metody zwróciły podobny wynik.

Skoro udało nam się już znaleźć twarz na obrazku, to spróbujmy rozpoznać, kto się tam znajduje. Znów mamy kilka możliwości, jak to zrobić:

  • przygotować sami duży zbiór i nauczyć własną sieć neuronową - zdecydowanie za dużo pracy jak na nasze możliwości na zajęciach
  • wykorzystać gotowy dataset - też zbyt czasochłonne, bo uczenie sieci jest bardziej czasochłonne niż jej używanie
  • moglibyśmy w ogóle zrezygnować z sieci neuronowej - ale stracilibyśmy na jakości (dokładności) naszego rozwiązania
  • wykorzystać przygotowaną już wcześniej sieć

Użyjemy sieci InceptionResnetV1, wytrenowanej na zbiorze twarzy VGGFace2. Jeśli chcesz dowiedzieć się więcej o tej architekturze, to tutaj znajdziesz jej opis. Przykład użycia pochodzi z oficjalnego tutoriala.

In [ ]:
identifier = InceptionResnetV1(pretrained="vggface2", classify=True, device=device).eval()

labels = pd.read_csv("vggface_labels.csv", encoding="UTF-8").values.tolist()
In [ ]:
from torch.nn.functional import softmax



def get_face_extractor(method, post_process):
    if method == "mtcnn":
        return lambda x: extract_face_mtcnn(x, post_process=post_process)
    elif method == "haar":
        return extract_face_haar
    else:
        raise ValueError(
            f"Method should be either 'mtcnn' or 'haar', got: '{method}'"
        )


def get_top_5_faces(image_path, method="mtcnn", post_process=False):
    detector = get_face_extractor(method, post_process)
    
    with torch.no_grad():
        # extract face
        face = detector(image_path)
        # VGGFace2 classification logits; have to provide batch (4D tensor),
        # so we add "fake" dimension via .unsqueeze()
        logits = identifier(face.to(device).unsqueeze(0)).cpu()

    # we know there is only 1 face, so we can select first (and only) element
    logits = logits[0]

    # get probabilities
    probas = softmax(logits, dim=0)

    # get top 5 predictions
    top_probas, top_indices = torch.topk(probas, k=5)

    top_probas = top_probas.tolist()
    top_indices = top_indices.tolist()
    top_labels = [labels[idx][0] for idx in top_indices]

    for label, proba in zip(top_labels, top_probas):
        label = label.replace("_", " ")
        print(f"{label:<20} {100 * proba:.2f}%")
In [ ]:
get_top_5_faces(jerzy_stuhr_image_path, method="haar")
print()
get_top_5_faces(jerzy_stuhr_image_path, method="mtcnn", post_process=False)
print()
get_top_5_faces(jerzy_stuhr_image_path, method="mtcnn", post_process=True)
Rüdiger Grube       0.49%
Haley Barbour        0.38%
Jerzy Stuhr          0.34%
Amar Osim            0.28%
Jack Bauer           0.26%

Jerzy Stuhr          88.59%
Felipe Gonzales      1.18%
Eckart Witzigmann    0.22%
Ilkka Kanerva        0.15%
Marty Markowitz      0.14%

Jerzy Stuhr          83.96%
Felipe Gonzales      0.98%
Eckart Witzigmann    0.27%
Michael Bloomberg    0.22%
Hans Vestberg        0.18%

No fajne, ale co, jeśli chcielibyśmy rozpoznać kogoś, kto nie był częścią pierwotnego zbioru danych? Czy musimy trenować sieć całkowicie od nowa? Oczywiście nie - byłoby to bardzo nieefektywne, bo sieć ta była trenowana na ponad milionie obrazów 8631 ludzi, więc aby dodać jednego, bezsensem byłoby powtarzać cały proces od zera.

Więc jak to zrobić? Można znowu na różne sposoby. Przykładowo, nie ma potrzeby trenować całej sieci, a wystarczy wytrenować ostatnią warstwę, która odpowiada za rozpoznawanie danej osoby. Poprzednie w zasadzie tylko enkodują daną osobę w postaci wektora liczb, tak, aby wektory dla tej samej osoby były blisko sobie, a dla różnych daleko (w sensie pewnej metryki), wieć dla nieznanego obrazu nowej osoby też to zadziała. Musimy jedynie stwierdzić, że to ta sama osoba.

In [ ]:
from torchvision.transforms.functional import to_tensor

def get_embeddings(image_paths, method="mtcnn", post_process=False):
    detector = get_face_extractor(method, post_process)
    embedder = InceptionResnetV1(pretrained="vggface2", classify=False, device=device).eval()
    
    embeddings = []
    
    with torch.no_grad():
        for image_path in image_paths:
            face = detector(image_path)
            embedding = embedder(face.to(device).unsqueeze(0)).cpu()
            embedding = embedding.flatten()
            embeddings.append(embedding)
    
    return embeddings

Zadanie 8 (1 punkt)

Oblicz dystans euklidesowy i cosinusowy między embeddingami. Następnie przetestuj poszczególne metody przygotowanym kodem.

In [ ]:
def is_match(known_embedding, candidate_embedding, thresh=0.4, euc_thresh=1.2):
#     cosine_score = 1-F.cosine_similarity(known_embedding, candidate_embedding, dim=0)
    cos = nn.CosineSimilarity(dim=0, eps=1e-6)
    cosine_score = 1 - cos(candidate_embedding, known_embedding)
    euclidean_score = (candidate_embedding - known_embedding).pow(2).sum(0).sqrt()
    
    if cosine_score <= thresh:
        print(">face is a Match - cosine (%.3f <= %.3f)" % (cosine_score, thresh))
        print(">face is a Match - euclidean (%.3f <= %.3f)" % (euclidean_score, euc_thresh))
    else:
        print(">face is NOT a Match (%.3f > %.3f)" % (cosine_score, thresh))
        print(">face is NOT a Match (%.3f > %.3f)" % (euclidean_score, euc_thresh))
In [ ]:
def test_person_identification(method, post_process=False):
    # test: Jerzy Stuhr vs new face, Maciej Stuhr
    filenames = [
        "https://upload.wikimedia.org/wikipedia/commons/thumb/9/91/Jerzy_Stuhr_27_stycznia_2018.jpg/1024px-Jerzy_Stuhr_27_stycznia_2018.jpg",

        "https://s3.viva.pl/newsy/jerzy-stuhr-276699-GALLERY_600.jpg",
        "https://ocdn.eu/images/pulscms/MjM7MDA_/0d5516ac7244156c40d1366ee008d7e5.jpeg",

        "https://upload.wikimedia.org/wikipedia/commons/thumb/f/f0/2016_Woodstock_328_Maciej_Stuhr.jpg/800px-2016_Woodstock_328_Maciej_Stuhr.jpg",
        "https://secretum.pl/media/k2/items/cache/7f2cd38b7681e6e2ef83b5a7a5385264_XL.jpg?t=20141001_064823",
    ]

    embeddings = get_embeddings(filenames, method, post_process)

    print("Positive Tests")
    is_match(embeddings[0], embeddings[1])
    is_match(embeddings[0], embeddings[2])
    print()

    print("Negative Tests")
    is_match(embeddings[0], embeddings[3])
    is_match(embeddings[0], embeddings[4])
    print()
In [ ]:
test_person_identification(method="haar")
test_person_identification(method="mtcnn", post_process=False)
test_person_identification(method="mtcnn", post_process=True)
Positive Tests
>face is NOT a Match (1.032 > 0.400)
>face is NOT a Match (1.436 > 1.200)
>face is a Match - cosine (0.400 <= 0.400)
>face is a Match - euclidean (0.894 <= 1.200)

Negative Tests
>face is NOT a Match (0.822 > 0.400)
>face is NOT a Match (1.282 > 1.200)
>face is NOT a Match (0.844 > 0.400)
>face is NOT a Match (1.299 > 1.200)

Positive Tests
>face is a Match - cosine (0.313 <= 0.400)
>face is a Match - euclidean (0.791 <= 1.200)
>face is a Match - cosine (0.234 <= 0.400)
>face is a Match - euclidean (0.683 <= 1.200)

Negative Tests
>face is NOT a Match (0.772 > 0.400)
>face is NOT a Match (1.242 > 1.200)
>face is NOT a Match (1.038 > 0.400)
>face is NOT a Match (1.441 > 1.200)

Positive Tests
>face is a Match - cosine (0.281 <= 0.400)
>face is a Match - euclidean (0.750 <= 1.200)
>face is a Match - cosine (0.278 <= 0.400)
>face is a Match - euclidean (0.746 <= 1.200)

Negative Tests
>face is NOT a Match (0.759 > 0.400)
>face is NOT a Match (1.232 > 1.200)
>face is NOT a Match (1.007 > 0.400)
>face is NOT a Match (1.419 > 1.200)

Skomentuj wyniki:

  • W pierwszym teście połowa wyników jest poprawna, nie do końca jestem pewna co mogło zawinić, w pozostałych testach model daje poprawne wyniki.

Pytania kontrolne (1 punkt)

  1. Jakiego algorytmu użyłbyś do wykrywania obiektów w czasie rzeczywistym?
  • Do detekcji obrazów w czasie rzeczywistym popularny ze względu na jego szybkość i dobre radzenie sobie z obiektami w ruchu jest YOLO.
  1. Jaki krok (stride) jest najpowszechniej stosowany i dlaczego?
  • Często używa się kroku o wartości 1, ponieważ pozwala to na lepsze wykrywanie szczegółów w obrazie. Z drugiej strony, użycie kroku o wartości 2 pozwala na redukcję rozmiaru obrazu wejściowego i zmniejszenie obciążenia obliczeniowego sieci bez większej straty danych.
  1. Czy sieci konwolucyjne nadają się do analizy sygnału audio i dlaczego?
  • Sieci konwolucyjne dobrze sobie radzą z rozpoznawaniem obrazów, gdybyśmy przedstawili dźwięk audio jako obraz np częstotliwości w czasie to mogłyby wykrywać różne cechy w dźwiękach.

Zadanie dla chętnych

W zadaniach dotyczących klasyfikacji obrazu wykorzystywaliśmy prosty zbiór danych i sieć LeNet. Teraz zamień zbiór danych na bardziej skomplikowany, np. ten lub ten (lub inny o podobnym poziomie trudności) i zamiast prostej sieci LeNet użyj bardziej złożonej, np. AlexNet, ResNet, MobileNetV2.

In [ ]: